After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Heb je ooit geprobeerd om de toekomst te voorspellen? Wat er in de toekomst ligt, is een raadsel dat meestal alleen door afwachten kan worden opgelost. In deze cursus hoef je niet langer te wachten en kun je meteen aan de slag met tijdreeksmodellering met behulp van ARIMA-modellen in Python om de toekomst te voorspellen.
Door deze concepten makkelijk te begrijpen en toe te passen, ontdek je hoe je voorspellingen kunt doen die een stap voor zijn, dynamische prognoses kunt maken en ARIMA-modellen direct op je data kunt toepassen.
Dit eindproject brengt alles samen, zodat je een goed begrip krijgt van ARIMA-modellering.
Tijdreeksgegevens
Begin met de basis van tijdreeksgegevens, zoals het idee van stationariteit – superbelangrijk als je met ARMA-modellen werkt. Je leert hoe je stationariteit zowel visueel als statistisch kunt testen, ARMA-gegevens kunt genereren en ARMA-modellen kunt aanpassen om een stevige basis te krijgen.Statsmodels-pakket
Naarmate je vordert, kun je het krachtige Statsmodels-pakket verkennen voor het aanpassen van ARMA-, ARIMA- en ARMAX-modellen. Je gaat zelf aan de slag met je modellen om toekomstige waarden, zoals aandelenkoersen, te voorspellen.Door deze concepten makkelijk te begrijpen en toe te passen, ontdek je hoe je voorspellingen kunt doen die een stap voor zijn, dynamische prognoses kunt maken en ARIMA-modellen direct op je data kunt toepassen.
ACF- en PACF-grafieken
Een van de hoogtepunten is dat je leert hoe je het beste model kiest met behulp van ACF- en PACF-grafieken om veelbelovende modelordes te vinden. Je leert over dingen als AIC en BIC voor het kiezen van modellen en diagnostiek, zodat je je modellen helemaal kunt perfectioneren..SARIMA-modellen
De cursus eindigt met seizoensgebonden ARIMA-modellen (SARIMA), die ideaal zijn voor het verwerken van gegevens met seizoenspatronen. Je leert tijdreeksgegevens op te splitsen in seizoensgebonden en niet-seizoensgebonden componenten en je ARIMA-vaardigheden toe te passen in een wereldwijde voorspellingsuitdaging.Dit eindproject brengt alles samen, zodat je een goed begrip krijgt van ARIMA-modellering.
Vereisten
Curriculum
Cursusoverzicht
1
ARMA-modellen
Duik er meteen in en leer de belangrijkste eigenschappen van tijdreeksen kennen. Je leert over stationariteit en waarom dit belangrijk is voor ARMA-modellen. Je leert stationariteit beoordelen op het oog en met een standaard statistische test. Tot slot leer je de basisstructuur van ARMA-modellen en gebruik je die om ARMA-data te genereren en een ARMA-model te fitten.
- Introductie tot tijdreeksen en stationariteit50 XP
- Verkennen100 XP
- Train-test-splits100 XP
- Is het stationair100 XP
- Tijdreeksen stationair maken50 XP
- Augmented Dickey-Fuller100 XP
- Verschillen nemen100 XP
- Andere transformaties100 XP
- Introductie tot AR-, MA- en ARMA-modellen50 XP
- Modelorde100 XP
- ARMA-gegevens genereren100 XP
- Model fitten: prelude100 XP
2
De toekomst fitten
Wat je in dit hoofdstuk te wachten staat, is dat jij gaat voorspellen wat jouw data te wachten staat. Je leert hoe je het elegante statsmodels-pakket gebruikt om ARMA-, ARIMA- en ARMAX-modellen te fitten. Daarna gebruik je je modellen om de onzekere toekomst van aandelenkoersen te voorspellen!
3
De beste van de beste modellen
In dit hoofdstuk word je een modelleur met een scherpe smaak. Je leert hoe je veelbelovende modelordes uit de data zelf herkent en, zodra de meest kansrijke modellen zijn getraind, hoe je het beste model uit deze gefitte selectie kiest. Je leert ook een sterke aanpak om je tijdreeksprojecten te structureren.
4
Seizoensgebonden ARIMA-modellen
In dit laatste hoofdstuk leer je seizoensgebonden ARIMA-modellen gebruiken om complexere data te fitten. Je leert hoe je deze data opsplitst in seizoensgebonden en niet-seizoensgebonden delen, en vervolgens krijg je de kans om al je ARIMA-tools toe te passen in één laatste wereldwijde voorspeluitdaging.
ARIMA-modellen in Python
Cursus
voltooid
